Idee per soluzioni
In questo articolo viene descritta un'idea di soluzione. Il cloud architect può usare queste linee guida per visualizzare i componenti principali di un'implementazione tipica di questa architettura. Usare questo articolo come punto di partenza per il design di una soluzione ben progettata che sia in linea con i requisiti specifici del carico di lavoro.
Questo articolo presenta una soluzione per automatizzare l'analisi e la visualizzazione dei dati usando l'intelligenza artificiale. I componenti principali della soluzione sono Funzioni di Azure, servizi di intelligenza artificiale di Azure e Database di Azure per PostgreSQL.
Architettura
Scaricare un file di Visio di questa architettura.
Flusso di dati
- Un'attività della funzione di Azure consente di attivare un'app Funzioni di Azure nella pipeline di Azure Data Factory. Si crea una connessione al servizio collegato e si usa il servizio collegato con un'attività per specificare la funzione di Azure da eseguire.
- I dati provengono da più origini, tra cui Archiviazione di Azure e Hub eventi di Azure per i dati con volumi elevati. Quando la pipeline riceve nuovi dati, attiva l'app Funzioni di Azure.
- L'app Funzioni di Azure chiama l'API dei servizi di intelligenza artificiale di Azure per analizzare i dati.
- L'API dei servizi di intelligenza artificiale di Azure restituisce i risultati dell'analisi in formato JSON all'app Funzioni di Azure.
- L'app Funzioni di Azure archivia i dati e i risultati dell'API dei servizi di intelligenza artificiale di Azure in Database di Azure per PostgreSQL.
- Azure Machine Learning usa algoritmi di Machine Learning personalizzati per fornire ulteriori informazioni sui dati.
- Se si sta avvicinando al passaggio di Machine Learning con una prospettiva senza codice, è possibile implementare ulteriori operazioni di analisi del testo sui dati, ad esempio hash delle funzionalità, Word2Vector e estrazione n-gram.
- Se si preferisce un approccio code-first, è possibile eseguire un modello NLP (Natural Language Processing) open source come esperimento in Machine Learning Studio.
- Il connettore PostgreSQL per Power BI consente di esplorare informazioni dettagliate interpretabili dall'utente in Power BI o in un'applicazione Web personalizzata.
Componenti
- app Azure Servizio offre una piattaforma completamente gestita per creare, distribuire e ridimensionare rapidamente app Web e API.
- Funzioni è una piattaforma di calcolo serverless basata su eventi. Per informazioni su come usare un'attività per eseguire una funzione come parte di una pipeline di Data Factory, vedere Attività di Funzioni di Azure in Azure Data Factory.
- Hub eventi è una piattaforma di streaming di Big Data completamente gestita.
- Servizi cognitivi offre una suite di servizi di intelligenza artificiale e API che è possibile usare per creare intelligenza cognitiva nelle app.
- Database di Azure per PostgreSQL è un servizio di database relazionale completamente gestito. Offre disponibilità elevata, ridimensionamento elastico, applicazione di patch e altre funzionalità di gestione per PostgreSQL.
- Azure Machine Learning è un servizio cloud che è possibile usare per eseguire il training, la distribuzione e automatizzare i modelli di Machine Learning. Lo studio supporta approcci code-first e no-code.
- Power BI è una raccolta di servizi software e app che visualizzano informazioni di analisi e consentono di derivare informazioni dettagliate dai dati.
Dettagli dello scenario
La pipeline automatizzata usa i servizi seguenti per analizzare i dati:
- I servizi di intelligenza artificiale di Azure usano l'intelligenza artificiale per la risposta alle domande, l'analisi del sentiment e la traduzione testuale.
- Azure Machine Learning fornisce strumenti di Machine Learning per l'analisi predittiva.
Per archiviare dati e risultati, la soluzione usa Database di Azure per PostgreSQL. Il database PostgreSQL supporta dati non strutturati, query parallele e partizionamento dichiarativo. Questo supporto rende Database di Azure per PostgreSQL una scelta efficace per attività di intelligenza artificiale e Machine Learning a elevato utilizzo di dati.
La soluzione automatizza il recapito dell'analisi dei dati. Un connettore collega Database di Azure per MySQL con strumenti di visualizzazione come Power BI.
L'architettura usa un'app Funzioni di Azure per inserire dati da più origini dati. Si tratta di una soluzione serverless che offre i vantaggi seguenti:
- Manutenzione dell'infrastruttura: Funzioni di Azure è un servizio gestito che consente agli sviluppatori di concentrarsi sul lavoro innovativo che offre valore all'azienda.
- Scalabilità: Funzioni di Azure fornisce risorse di calcolo su richiesta, quindi le istanze di funzione vengono ridimensionate in base alle esigenze. Man mano che le richieste cadono, le risorse e le istanze dell'applicazione vengono disattivate automaticamente.
Potenziali casi d'uso
Database di Azure per PostgreSQL è una soluzione basata sul cloud. Di conseguenza, questa soluzione non è consigliata per le applicazioni per dispositivi mobili. È più appropriato per l'analisi downstream nei settori seguenti e altri:
- Trasporto: previsione della manutenzione
- Finanza: valutazione dei rischi e rilevamento delle frodi
- E-commerce: motori di previsione e raccomandazione della varianza dei clienti
- Telecomunicazioni: Ottimizzazione delle prestazioni
- Utilità: prevenzione dell'interruzione
Considerazioni
Queste considerazioni implementano i pilastri di Azure Well-Architected Framework, che è un set di principi guida che possono essere usati per migliorare la qualità di un carico di lavoro. Per altre informazioni, vedere Microsoft Azure Well-Architected Framework.
Per la maggior parte delle funzionalità, l'API del linguaggio di intelligenza artificiale di Azure ha una dimensione massima di 5120 caratteri per un singolo documento. Per tutte le funzionalità, la dimensione massima della richiesta è 1 MB. Per altre informazioni sui limiti di dati e velocità, vedere Limiti del servizio per Il servizio cognitivo di Azure per la lingua.
In Database di Azure per PostgreSQL, il volume e la velocità di ingresso determinano la selezione della modalità di servizio e distribuzione. Sono disponibili due servizi:
- Database di Azure per PostgreSQL
- Azure Cosmos DB per PostgreSQL, precedentemente noto come modalità Hyperscale (Citus)
Se si esminano carichi di lavoro elevati di opinioni e recensioni dei clienti, usare Azure Cosmos DB per PostgreSQL. All'interno di Database di Azure per PostgreSQL sono disponibili due modalità: server singolo e server flessibile. Per comprendere quando usare ogni modalità di distribuzione, vedere Che cos'è Database di Azure per PostgreSQL?.
Le versioni precedenti di questa soluzione usavano i servizi di intelligenza artificiale di Azure Analisi del testo API. Azure AI Language ora unifica tre singoli servizi linguistici nei servizi di intelligenza artificiale di Azure: Analisi del testo, QnA Maker e Language Understanding (LUIS). È possibile eseguire facilmente la migrazione dall'API Analisi del testo all'API del linguaggio di intelligenza artificiale di Azure. Per istruzioni, vedere Eseguire la migrazione alla versione più recente di Servizi cognitivi di Azure per il linguaggio.
Sicurezza
La sicurezza offre garanzie contro attacchi intenzionali e l'abuso di dati e sistemi preziosi. Per altre informazioni, vedere Panoramica del pilastro della sicurezza.
Tutti i dati in Database di Azure per PostgreSQL vengono crittografati e sottoposti automaticamente a backup. È possibile configurare Microsoft Defender per il cloud per un'ulteriore mitigazione delle minacce. Per altre informazioni, vedere Abilitare Microsoft Defender per database relazionali open source e rispondere agli avvisi.
DevOps
È possibile configurare GitHub Actions per connettersi al database Database di Azure per PostgreSQL usando i relativi stringa di connessione e configurando un flusso di lavoro. Per altre informazioni, vedere Avvio rapido: Usare GitHub Actions per connettersi ad Azure PostgreSQL.
È anche possibile automatizzare il ciclo di vita di Machine Learning usando Azure Pipelines. Per informazioni su come implementare un flusso di lavoro MLOps e compilare una pipeline CI/CD per il progetto, vedere il repository GitHub MLOps con Azure MLOps.
Ottimizzazione dei costi
L'ottimizzazione dei costi riguarda l'analisi dei modi per ridurre le spese non necessarie e migliorare l'efficienza operativa. Per altre informazioni, vedere Panoramica del pilastro di ottimizzazione dei costi.
Il linguaggio di intelligenza artificiale di Azure offre diversi piani tariffari. Il numero di record di testo elaborati influisce sul costo. Per altre informazioni, vedere Servizi cognitivi per i prezzi della lingua.
Passaggi successivi
- Panoramica di Funzioni di Azure
- Attività di Funzioni di Azure in Azure Data Factory
- Hub eventi di Azure: una piattaforma di streaming di Big Data e un servizio di inserimento eventi
- Che cos'è la ricerca cognitiva di Azure?
- Cos'è il Servizio cognitivo di Azure per la lingua?
- Come usare le funzionalità del servizio di linguaggio in modo asincrono
- Console di test dell'API di Servizi cognitivi di Azure per il linguaggio
- Usare DirectQuery per collegare PostgreSQL a Power BI
- Creare un cluster di Azure Cosmos DB for PostgreSQL nel portale di Azure
- Esercitazione: Usare modelli di Azure Machine Learning in Power BI
- Estrarre informazioni dettagliate dal testo con il servizio Lingua
- Microsoft Certified: Azure AI Engineer Associate